Thèse de Doctorat - Modèles Substituts Fiables à Plusieurs Échelles (h/f/div.)

  • Full Time
Job expired!

Description de l'entreprise

Voulez-vous que des technologies bénéfiques soient façonnées par vos idées ? Que ce soit dans les domaines des solutions de mobilité, des biens de consommation, de la technologie industrielle ou de l'énergie et de la technologie du bâtiment – avec nous, vous aurez l'occasion d'améliorer la qualité de vie partout dans le monde. Bienvenue chez Bosch.

Robert Bosch GmbH attend avec impatience votre candidature !

Description du poste

La simulation numérique joue un rôle important dans la conception et le développement de nouveaux produits. Cependant, essayer de capturer “le véritable” comportement prédictif d'une conception de produit en termes de performance et de fiabilité est souvent un défi. Surtout dans le contexte des problèmes multi-échelles, les modèles mathématiques doivent résoudre de nombreuses échelles et sont donc très gourmands en termes de temps de calcul et de demandes de mémoire. En général, les approches de modélisation par substitution se sont avérées être une option viable pour accélérer les modèles de calcul. Cependant, les approches classiques échouent souvent dans les problèmes multi-échelles dans les contextes industriels.

Dans cette thèse de doctorat, nous souhaitons étudier comment accélérer efficacement les problèmes multi-échelles en utilisant une modélisation par substitution sur un cas d'utilisation spécifique de Bosch. Surtout dans le cadre où nous voulons combiner les données de simulation avec les mesures pour améliorer la qualité prédictive. Naturellement, la configuration du problème pose de nombreux défis, dont :

  • Modéliser les multi-échelles avec des substituts appropriés
  • Combiner les données et la simulation avec des incertitudes pendant la phase de formation des modèles par substitution pour ajouter une notion de fiabilité
  • Gérer de grands espaces de paramètres
  • Approximer un comportement fonctionnel fortement non linéaire

Qualifications

  • Éducation : d'excellent diplôme universitaire en mathématiques appliquées
  • Expérience et Connaissances: solide connaissance en simulation numérique des équations différentielles ordinaires et partielles ; bonne connaissance des méthodes d'apprentissage machine (apprentissage supervisé et non supervisé), de la modélisation par substitution ou de la réduction de l'ordre du modèle ; solides compétences en programmation, idéalement en Python ; solide connaissance des théories de probabilité / méthodes statistiques
  • Enthousiasme: intérêt pour la résolution d'applications industrielles
  • Langues : fluide en anglais

Informations complémentaires

www.bosch.com/research
https://www.bosch-ai.com

Le sujet final de doctorat dépend de votre université. Début : Février 2024

Veuillez soumettre tous les documents pertinents (incl. CV, certificats, relevé de notes).

La diversité et l'inclusion ne sont pas juste des tendances pour nous mais sont fermement ancrées dans notre culture d'entreprise. C'est pourquoi nous accueillons toutes les candidatures, quels que soient le sexe, l'âge, le handicap, la religion, l'origine ethnique ou l'identité sexuelle.

Besoin d'aide pour votre candidature ?
Kevin Heiner (Ressources Humaines)
+49 711 811 12223

Besoin d'informations supplémentaires sur le poste ?
Michael Schick (Département fonctionnel)
+49 711 811 15877

#LI-DNI

Close menu